软考系统架构设计师（10）-未来信息综合技术

信息物理系统技术概述

信息物理系统（Cyber-Physical Systems，CPS）的概念
定义：CPS通过集中先进的感知、计算、通信、控制等信息技术和自动控制技术，构建物理空间与信息空间中人、机、物、环境、信息等要素相互映射、适时交互、高效协同的复杂系统，实现系统内资源配置和运行的按需响应、快速迭代、动态优化

CPS体系架构
单元级CPS：具有不可分割性的CPS最小单元
系统级CPS：基于多个单元级CPS的状态感知、信息交互、实时分析，实现了局部制造资源的自组织、自配置、自决策、自优化。
SoS级CPS：多个系统级CPS的有机组合构成SoS级CPS

CPS技术体系
分CPS总体技术、CPS支撑技术、CPS核心技术
总体技术：系统架构、异构系统集成、安全技术、试验验证技术
支撑技术：智能感知、嵌入式软件、数据库、人机交互、中间件、SDN（软件定义网络）、物联网、大数据
核心技术：虚实融合控制、智能装备、MBD、数字孪生技术、现场总线、工业以太网

四大核心技术要素：一硬（感知和自动控制）、一软（工业软件）、一网（工业网络）、一平台（工业云和智能服务平台）

• 感知和自动控制
  • 智能感知技术：CPS系统主要使用的智能感知技术是传感器技术
  • 虚实融合控制技术：多层“感知-分析-决策-执行”循环，包括嵌入控制、虚体控制、集控控制、目标控制四个层次
• 工业软件：专用于工业领域，为提供工业企业研发、制造、生产、服务与管理水平以及工业产品使用价值的软件
• 工业网络：基于分布式的全新范式，由于各种智能设备的引入，设备可以相互连接从而形成一个网络服务
• 工业云和智能服务平台：通过边缘计算、雾计算、大数据分析等技术进行数据的加工处理，形成对外提供数据服务的能力。

CPS应用场景：
智能设计、智能生产、智能服务、智能应用

CPS建设路径：CPS体系设计、单元级CPS建设、系统级CPS建设、SoS级CPS建设

人工智能技术概述

概念：利用数字计算机或数字计算机控制的及其模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统

分弱人工智能和强人工智能
弱人工智能：不能真正实现推理和解决问题的智能机器，表面上看是智能的，但不真正拥有智能，也不会有自主意识
强人工智能：真正能思维的智能机器，并且认为这样的机器是有直觉的和有自我意识的，分类人和非类人两大类

类人：机器的思考和推理类似人的思维。非类人：机器产生了和人类完全不一样的直觉和意识

人工智能关键技术

• 自然语言处理：计算机科学与语言学的交叉学科，研究实现人与计算机之间用自然语言进行有效通信的各种理论和方法
  • 机器翻译：从一种自然语言到另外一种自然语言的翻译
  • 语义理解：理解文本篇章内容，并回答相关问题
  • 问答系统：像人类一样使用自然语言交流
• 计算机视觉：使用计算机模仿人类视觉系统的科学
• 知识图谱：结构化的语义知识库，一种由节点和边组成的图数据结构，以符号形式描述物理世界中的概念及其相互关系
• 人机交互：主要研究人和计算机之间的信息交换，包括人到计算机、计算机到人两部分信息交换
• 虚拟现实或增强现实：以计算机为核心的新型视听技术，在一定范围内生成与真实环境在视觉、听觉等方面高度近似的数字化环境。
• 机器学习：专门研究计算机怎么模拟或实现人类的学习行为以获取新的知识或技能的学科，使计算机重新组织已有的组织结构并不断改善自身的性能。
  • 机器学习分类：
    • 监督学习：利用已标记的有限训练数据集，通过建立学习模型，实现对数据的标记。训练样本的分类标签已知。监督学习算法包括回归和分类
    • 无监督学习：利用无标记的有限数据描述隐藏在未标记数据中的结构或规律，无监督学习不需要以人工标注数据作为训练样本。学习算法：Apriori算法、KMeans算法、随机森林、主成分分析
    • 半监督学习：介于监督学习与无监督学习之间，使用少量标注样本和大量为标注样本进行训练和分类。
    • 强化学习：可以学习从环境状态到行为的映射，使智能体选择的行为能获得环境的最大反馈
  • 学习方法：
    • 传统机器学习
    • 深度学习
  • 学习算法：
    • 迁移学习：当在某些领域无法取得足够多的数据进行模型训练时，利用另一领域数据获得的关系进行学习
    • 主动学习：通过一定的算法查询最有用的未标记样本，并交由专家进行标记，用训练分类模型来提高模型的精度
    • 演化学习：基于演化算法提供的优化工具设计机器学习算法

机器人技术概述

第一代机器人：示教再现型机器人，通过示教存储程序和信息，工作时把信息读取出来，然后发出指令
第二代机器人：感觉型机器人，拥有类似人的某种功能的感觉
第三代机器人：智能型机器人，带有多种传感器，可进行复杂逻辑推理、判断和决策。
机器人4.0时代：云端大脑分布在各个地方，充分利用边缘计算，提供高性价比的服务。
机器人4.0主要核心技术：云-边-端无缝协同计算、持续学习和协同学习、知识图谱、场景自适应、数据安全

机器人分类：操作机器人、程序机器人、示教再现机器人、智能机器人、综合机器人
按应用行业分类：工业机器人、服务机器人、特殊领域机器人

边缘计算概述

将数据的处理、应用程序的运行、功能服务的实现由网络中心下放到网络边缘的节点上

边缘计算特点：联接性、数据第一入口、约束性、分布性

边云协同包括六种协同：资源协同、数据协同、智能协同、应用管理协同、业务管理协同、服务协同

边缘安全的价值体现：

• 提供可信的基础设施
• 为边缘应用提供可信赖的安全服务
• 保障安全的设备接入和协议转换
• 提供安全可信的网络及覆盖

边缘计算应用场景
指挥园区、安卓云与云游戏、视频监控、工业物联网、Cloud VR

数字孪生体技术概述

数字孪生体：现有或将有物理实体对象的数字模型，通过实测、仿真和数据分析来实时感知、诊断、预物理实体对象的状态，通过优化和指令来调控物理实体对象的行为，通过相关数字模型间的相互学习来进化自身，同时改进利益相关方在物理实体对象生命周期内的决策。

数字孪生体的关键技术：建模、仿真、基于数据融合的数字线程

数字孪生体的应用：制造、产业、城市、战场

云计算和大数据技术概述

云计算是同时描述一个系统平台或一类应用程序的术语。

云计算服务方式
软件即服务（Software as a Service）：服务提供商将应用软件统一部署在云计算服务器上
平台即服务（Platform as a Service）：服务提供商将分布式开发环境与平台作为一种服务来提供服务
基础设施即服务（Infrastructure as a Service）：服务提供商将多台服务器组成“云端”基础设施作为计量服务提供

云计算部署模式
公有云：云基础设施是公开的，可以自由分配给公众
社区云：云基础设施分配给一些社区组织专有，这些组织共同关注任务、安全、需求、政策等信息
私有云：云基础设施分配给由多种用户组成的单个组织
混合云：是公有云、私有云、社区云的组合

大数据分析步骤：数据获取和记录、信息抽取和清洗、数据集成聚集和表示、查询处理/数据建模和分析、解释

大数据应用领域：制造业应用、服务业应用、交通行业应用、医疗行业应用